KR20220055082A - System and method for defect detection based on deep learning through machine-learning of solar module data of thermal image - Google Patents
System and method for defect detection based on deep learning through machine-learning of solar module data of thermal image Download PDFInfo
- Publication number
- KR20220055082A KR20220055082A KR1020200139193A KR20200139193A KR20220055082A KR 20220055082 A KR20220055082 A KR 20220055082A KR 1020200139193 A KR1020200139193 A KR 1020200139193A KR 20200139193 A KR20200139193 A KR 20200139193A KR 20220055082 A KR20220055082 A KR 20220055082A
- Authority
- KR
- South Korea
- Prior art keywords
- solar module
- deep learning
- defect
- thermal image
- unit
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 156
- 238000013135 deep learning Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims description 6
- 238000010801 machine learning Methods 0.000 title description 5
- 238000001931 thermography Methods 0.000 claims abstract description 18
- 230000002950 deficient Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S20/00—Supporting structures for PV modules
- H02S20/30—Supporting structures being movable or adjustable, e.g. for angle adjustment
- H02S20/32—Supporting structures being movable or adjustable, e.g. for angle adjustment specially adapted for solar tracking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
Description
본 발명은 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법에 관한 것으로서, 열화상 이미지로부터 태양광 모듈의 결함을 검출하기 위하여 딥러닝 기반으로 태양광 모듈을 먼저 검출하고 상기 태양광 모듈에 대하여 딥러닝 기반으로 결함을 검출하고 그 결함의 종류도 검출하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법에 관한 것이다.The present invention relates to a deep learning-based defect detection system and method through solar module unit data learning of a thermal image. And it relates to a deep learning-based defect detection system and method through photovoltaic module unit data learning of a thermal image that detects a defect based on deep learning for the photovoltaic module and also detects the type of the defect.
전 세계 거의 모든 국가가 기후변화 완화를 위한 온실가스 배출 감축의 노력을 함에 따라 태양광(PV: Photovoltaic) 발전과 같은 재생 에너지 기술에 대한 관심이 급증하고 있다.As almost all countries around the world make efforts to reduce greenhouse gas emissions for climate change mitigation, interest in renewable energy technologies such as photovoltaic (PV) power generation is rapidly increasing.
국내 태양광 발전소는 정부 보급정책에 따라 지속적으로 확대되는 추세인 반면, 발전소 수명 연장 및 고효율화, 신뢰성 향상을 위한 장기적이고 안정적인 관리 체계는 미흡한 실정이다.While domestic solar power plants are continuously expanding according to the government's supply policy, a long-term and stable management system for power plant life extension, high efficiency and reliability improvement is insufficient.
정부의 재생 에너지 비전에 따라 태양광 발전 효율을 높이고 20 ~ 25년까지 안정적으로 운영할 수 있는 선진국 수준의 운영관리 서비스 보급이 필요한다.In accordance with the government's renewable energy vision, it is necessary to increase the efficiency of solar power generation and provide operation management services at the level of advanced countries that can be operated stably for 20 to 25 years.
대부분 무인으로 운영되는 태양광 발전 시설 특성상 결함이 발생했을 때 발견하기가 힘들고 즉각적인 대응이 어려우며, 대규모 발전 설비에서 인력으로 그 결함을 검출하는 것은 시간, 비용, 효율성 측면에서 문제가 아주 크다.Due to the nature of photovoltaic power generation facilities that are mostly operated unmanned, it is difficult to detect when a defect occurs and it is difficult to respond immediately.
최근 들어서 지능형 운영 관리 기술로서 드론, 인공지능(AI: Artificial Intelligence), 빅데이터 등을 융합하여 태양광 발전소의 결함 분석 및 진단 결과를 토대로 사용자(사업자, 운영 관리 기업 등)가 즉각적인 의사결정과 운영할 수 있는 체계 구축이 절실히 요구되고 있다.In recent years, as an intelligent operation management technology, drones, artificial intelligence (AI), and big data have been fused to enable users (business operators, operation management companies, etc.) to make immediate decisions and operate based on fault analysis and diagnosis results of solar power plants. There is an urgent need to establish a system that can do this.
드론과 AI 등이 결합하는 글로벌 응용서비스 시장의 대표적인 선도기업은 DroneDeploy, RaptorMaps, ABJDrones, Scopito 등 유럽 및 북미기업이 다수 있지만, 국내는 공공 및 대형 태양광발전소 등에서 드론을 활용한 검사 서비스 실증실험 단계로 진행되고 있으며, 아직은 본격적인 응용시장 태동 전 단계로 판단된다.There are many European and North American companies such as DroneDeploy, RaptorMaps, ABJDrones, and Scopito as representative leading companies in the global application service market where drones and AI are combined. It is still in the early stages of the full-fledged application market.
특히, 드론이 촬영한 고해상도 이미지(수백 ~ 수천장의 이미지)를 딥러닝 기반 AI가 사전에 분석하여 결함정보를 필터링하는 서비스는 사용자가 발전소 결함을 효율적으로 확인하는 핵심 특징으로 사용자의 요구가 매우 높다.In particular, a service that filters defect information by pre-analyzing high-resolution images (hundreds to thousands of images) taken by drones by AI based on deep learning is a key feature that allows users to efficiently identify power plant defects and is highly demanded by users. .
그러나 수백 ~ 수천장의 고해상도 이미지를 딥러닝 기반 AI가 사전에 분석하여 결함정보를 필터링하는 서비스는 컴퓨팅 자원의 소모가 증대되는 문제점이 있다.However, the service that filters defect information by analyzing hundreds to thousands of high-resolution images in advance by deep learning-based AI has a problem in that the consumption of computing resources increases.
공개특허공보 제10-2020-0048615호는 머신러닝기반 실시간 태양광발전소 검사 드론에 관한 것으로서, 관리 서버는 무인 비행체로부터 수신되는 특정 지점의 가시광 이미지 및 위치 정보를 상호 매칭하여 데이터베이스에 저장하고, 복수의 서로 다른 지점별 복수의 서로 다른 가시광 이미지를 하나의 합성 이미지인 정사 이미지로 합성하며, 상기 관리 서버는 상기 무인 비행체로부터 수신되는 복수의 상기 가시광 이미지를 좌표계가 미리 설정된 지도 정보의 지도 상에서 상기 복수의 가시광 이미지별로 수신된 위치 정보에 따라 상기 복수의 가시광 이미지 각각이 상기 지도 상에서 배치되는 위치를 식별하여 상기 지도 상에 배치한다. 상기 관리 서버는 상기 정사 이미지를 기초로 사용자 입력에 따라 상기 무인 비행체의 비행 경로를 설정하고 상기 비행 경로 관련 경로 정보 또는 제어 정보를 상기 무인 비행체로 전송한다. 상기 무인 비행체는 상기 경로 정보 또는 제어 정보에 따른 비행 대상 영역에 위치하는 태양광 패널을 촬영하여 열화상 이미지와 그 대응되는 위치 정보를 생성한다. 상기 관리 서버는 상기 열화상 이미지에서 선택된 임의의 지점이 상기 정사 이미지에서 상기 임의의 지점과 동일한 지점에 정확하게 매핑될 수 있도록 지원하여 상기 열화상 이미지에서 이상이 발생한 것으로 나타난 태양광 패널을 상기 정사 이미지에서 정확하고 용이하게 식별할 수 있도록 한다. 그러나 열화상 이미지를 통하여 태양광 패널에 이상이 발생했는지 여부를 찾아내기 위하여 관리자가 육안으로 구분해야 한다는 문제점이 있다.Patent Publication No. 10-2020-0048615 relates to a machine learning-based real-time solar power plant inspection drone, in which the management server matches the visible light image and location information of a specific point received from the unmanned aerial vehicle to each other and stores it in a database, a plurality of different visible light images for each different point of A location at which each of the plurality of visible light images is arranged on the map is identified and arranged on the map according to the received position information for each visible light image of . The management server sets the flight path of the unmanned aerial vehicle according to a user input based on the orthographic image and transmits the flight path-related route information or control information to the unmanned aerial vehicle. The unmanned aerial vehicle generates a thermal image image and corresponding position information by photographing a solar panel located in the flight target area according to the route information or control information. The management server supports to accurately map an arbitrary point selected in the thermal image to the same point as the arbitrary point in the ortho image, so that the solar panel showing an abnormality in the thermal image is displayed as the ortho image to be accurately and easily identified. However, there is a problem in that the manager must visually distinguish whether an abnormality has occurred in the solar panel through the thermal image.
공개특허공보 제10-2018-0082166호는 태양광 패널 검출 장치에 관한 것으로서, 무인 이동체가 태양광 패널이 설치된 영역의 상공을 비행하는 비행 경로를 자동으로 생성하기 위해 태양광 발전소 전체의 현재 지도 영상에서 태양광 패널을 검출하는 것을 목적으로 하고, 태양광 발전소 전체의 현재 지도에서 모든 태양광 패널이 자동으로 검출될 수 있고, 검출된 각각의 태양광 패널마다 GPS 좌표 정보를 대응시켜 저장한다. 태양광 패널의 일부분에서 결함 또는 크랙 등의 불량이 발생한 경우 적외선 열영상으로부터 픽셀값들을 통해 열의 분포를 파악함으로써 태양광 패널에 불량이 발생하였는지 여부를 판단하고 그 위치를 검출하고 있으나, 열영상 카메라의 성능 또는 주변 환경에 따라서 열영상에서 측정되는 온도는 실제와 어느 정도 오차가 발생할 수밖에 없다는 문제점이 있고, 태양광 패널에 어떠한 종류의 불량이 발생하였는지 여부를 자동으로 검출하지는 못한다는 문제점이 있다.Patent Publication No. 10-2018-0082166 relates to a solar panel detection device, and a current map image of the entire solar power plant in order to automatically generate a flight path for an unmanned mobile body to fly over an area where a solar panel is installed. It aims to detect solar panels in the solar power plant, all solar panels can be automatically detected in the current map of the entire solar power plant, and GPS coordinate information is stored in correspondence with each detected solar panel. When a defect such as a defect or crack occurs in a part of the solar panel, it is determined whether a defect has occurred in the solar panel and the location is detected by determining the distribution of heat through pixel values from the infrared thermal image, but the thermal imaging camera There is a problem in that the temperature measured in the thermal image inevitably has some error from the actual depending on the performance or the surrounding environment, and there is a problem in that it is not possible to automatically detect what kind of defect has occurred in the solar panel.
공개특허공보 제10-2018-0082169호는 불량 패널 검사 장치에 관한 것으로서, 무인 이동체가 태양광 패널을 촬영하여 획득한 열영상의 픽셀들이 갖는 픽셀값을 통계학적으로 분석함으로써 태양광 패널의 불량 발생 여부를 판단하고 불량 패널의 불량 위치를 검출하는 것을 목적으로 하고, 영상처리 기술을 통해 지도 상에서 모든 태양광 패널을 찾고 그 GPS 좌표 정보를 저장하고 지도 상에 표시한다. 상기 태양광 패널의 GPS 좌표 정보를 이용하여 정밀 비행 경로를 생성하고 무인 이동체가 정밀 비행 경로를 따라 태양광 발전소의 상공을 비행하면서 카메라를 이용하여 현재의 태양광 패널을 모두 촬영하여 검사용 데이터를 획득한다. 태양광 패널에 대한 검사용 데이터를 획득하면 영상 데이터 내에서 태양광 패널을 검출하고 이를 검사하여 불량 발생 여부를 판단하고 불량 패널의 불량 위치를 검출한다.Laid-Open Patent Publication No. 10-2018-0082169 relates to a device for inspecting a defective panel, and by statistically analyzing the pixel values of pixels in a thermal image obtained by photographing a solar panel by an unmanned moving object, defective occurrence of a solar panel It aims to determine whether or not there is a defect and to detect the defective location of the defective panel, finds all solar panels on the map through image processing technology, stores the GPS coordinate information, and displays it on the map. A precise flight path is created using the GPS coordinate information of the solar panel, and an unmanned moving object flies over the solar power plant along the precise flight path while shooting all the current solar panels using a camera to obtain inspection data. acquire When the inspection data for the solar panel is obtained, the solar panel is detected in the image data and inspected to determine whether a defect has occurred and the defective position of the defective panel is detected.
그러나, 배경이 포함되는 열영상에서 배경이 태양광 패널에 비하여 온도가 비슷하거나 높은 경우에는 불량 패널을 검출하는데 문제점이 있다.However, there is a problem in detecting a defective panel when the temperature of the background is similar to or higher than that of the solar panel in the thermal image including the background.
본 발명은 열화상 이미지로부터 딥러닝 기반으로 태양광 모듈의 결함을 검출하는데 있어서 컴퓨팅 자원의 소모가 저감될 수 있도록 하는 것을 목적으로 한다.An object of the present invention is to reduce the consumption of computing resources in detecting defects of a solar module based on deep learning from a thermal image.
또한 본 발명의 다른 목적은 열화상 이미지로부터 딥러닝 기반으로 태양광 모듈의 결함을 검출하여 태양광 발전소의 결함을 자동으로 검출하는 것이다.Another object of the present invention is to automatically detect a defect in a photovoltaic power plant by detecting a defect in a photovoltaic module based on deep learning from a thermal image.
본 발명이 해결하고자 하는 과제는 상기 목적으로만 제한하지 아니하고, 위에서 명시적으로 나타내지 아니한 다른 기술적 과제는 이하 본 발명의 구성 및 작용을 통하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 쉽게 이해할 수 있을 것이다.The problem to be solved by the present invention is not limited only to the above purpose, and other technical problems not explicitly shown above can be easily understood by those of ordinary skill in the art to which the present invention belongs through the configuration and operation of the present invention below. will be able
본 발명에서는, 상기 과제를 해결하기 위하여 이하의 구성을 포함한다.In this invention, in order to solve the said subject, the following structure is included.
본 발명은 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템에 관한 것으로서, 태양광 발전소를 촬영하여 열화상 이미지를 출력하는 열화상 촬영부; 상기 열화상 촬영부에 의해서 출력되는 열화상 이미지를 저장하는 저장부; 상기 저장부에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 태양광 모듈 검출부; 상기 태양광 모듈 검출부에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 결함 검출부; 상기 결함 검출부는 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 것을 특징으로 한다.The present invention relates to a deep learning-based defect detection system through solar module unit data learning of a thermal image, comprising: a thermal imaging unit for photographing a solar power plant and outputting a thermal image; a storage unit for storing the thermal image outputted by the thermal imaging unit; a solar module detection unit for detecting a solar module so as to be distinguished from a background based on deep learning from the thermal image stored in the storage unit; a defect detection unit for detecting a solar module in which a defect has occurred so as to be distinguished from a solar module operating normally based on deep learning among the solar modules detected by the solar module detection unit; The defect detection unit is characterized in that it classifies the type of defect based on deep learning among the photovoltaic modules in which the defect has occurred.
본 발명은 상기 결함 검출부에 의해서 검출된 결함이 발생된 태양광 모듈의 위치를 추출하는 결함 위치 추출부를 더 포함하는 것을 특징으로 한다.The present invention is characterized in that it further comprises a defect location extraction unit for extracting the position of the photovoltaic module in which the defect detected by the defect detection unit is generated.
본 발명의 상기 결함 검출부에서 구분하는 결함의 종류에는 PID 불량, 셀 불량, 바이패스 다이오드 불량이 포함되는 것을 특징으로 한다.The types of defects classified by the defect detection unit of the present invention include PID defects, cell defects, and bypass diode defects.
또한 본 발명은 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 무인 비행체에 관한 것으로서, 태양광 발전소를 촬영하여 열화상 이미지를 출력하는 열화상 촬영부; 상기 열화상 촬영부에 의해서 출력되는 열화상 이미지를 저장하는 저장부; 상기 저장부에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 태양광 모듈 검출부; 상기 태양광 모듈 검출부에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 결함 검출부; 상기 결함 검출부는 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 것을 특징으로 한다.In addition, the present invention relates to a deep learning-based defect detection unmanned aerial vehicle through solar module unit data learning of a thermal image, comprising: a thermal imaging unit for photographing a solar power plant and outputting a thermal image; a storage unit for storing the thermal image outputted by the thermal imaging unit; a solar module detection unit for detecting a solar module so as to be distinguished from a background based on deep learning from the thermal image stored in the storage unit; a defect detection unit for detecting a solar module in which a defect has occurred so as to be distinguished from a solar module operating normally based on deep learning among the solar modules detected by the solar module detection unit; The defect detection unit is characterized in that it classifies the type of defect based on deep learning among the photovoltaic modules in which the defect has occurred.
본 발명은 상기 결함 검출부에 의해서 검출된 결함이 발생된 태양광 모듈의 위치를 추출하는 결함 위치 추출부를 더 포함하는 것을 특징으로 한다.The present invention is characterized in that it further comprises a defect location extraction unit for extracting the position of the photovoltaic module in which the defect detected by the defect detection unit is generated.
또한 본 발명은 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템에 관한 것으로서, 통신망을 통하여 열화상 이미지를 전송 받는 수신부; 상기 수신부에 의해서 전송 받은 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 태양광 모듈 검출부; 상기 태양광 모듈 검출부에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 결함 검출부; 상기 결함 검출부는 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 것을 특징으로 한다.The present invention also relates to a deep learning-based defect detection system through solar module unit data learning of a thermal image, comprising: a receiving unit for receiving a thermal image through a communication network; a solar module detector for detecting a solar module to be distinguished from a background based on deep learning from the thermal image received by the receiver; a defect detection unit for detecting a solar module in which a defect has occurred so as to be distinguished from a solar module operating normally based on deep learning among the solar modules detected by the solar module detection unit; The defect detection unit is characterized in that it classifies the type of defect based on deep learning among the photovoltaic modules in which the defect has occurred.
또한 본 발명은 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 방법에 관한 것으로서, 열화상 촬영부에 의하여 태양광 발전소를 촬영하여 열화상 이미지를 출력하는 단계; 상기 출력되는 열화상 이미지를 저장부에 저장하는 단계; 상기 저장부에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 단계; 상기 검출되는 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 단계; 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 단계를 포함하는 것을 특징으로 한다.The present invention also relates to a deep learning-based defect detection method through solar module unit data learning of a thermal image, comprising: photographing a solar power plant by a thermal imager and outputting a thermal image; storing the output thermal image in a storage unit; detecting a solar module to be distinguished from a background based on deep learning from the thermal image stored in the storage unit; detecting a defective solar module to be distinguished from a solar module operating normally based on deep learning among the detected solar modules; It characterized in that it comprises the step of classifying the type of defect based on deep learning among the photovoltaic modules in which the defect has occurred.
또한 본 발명은 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 방법을 실행시키기 위하여 저장매체에 저장된 컴퓨터프로그램일 수 있다.In addition, the present invention may be a computer program stored in a storage medium to execute a deep learning-based defect detection method through solar module unit data learning of a thermal image.
본 발명의 효과는 열화상 이미지로부터 딥러닝 기반으로 태양광 모듈의 결함을 검출하는데 있어서 컴퓨팅 자원의 소모가 저감될 수 있도록 하는 것이다.An effect of the present invention is to reduce the consumption of computing resources in detecting defects of a solar module based on deep learning from a thermal image.
또한 본 발명의 다른 효과는 열화상 이미지로부터 딥러닝 기반으로 태양광 모듈의 결함을 검출하여 태양광 발전소의 결함이 자동으로 검출되도록 하는 것이다.In addition, another effect of the present invention is to detect a defect in a solar module based on deep learning from a thermal image so that a defect in a solar power plant is automatically detected.
본 발명에 의한 효과는 상기 효과로만 제한하지 아니하고, 위에서 명시적으로 나타내지 아니한 다른 효과는 이하 본 발명의 구성 및 작용을 통하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 쉽게 이해할 수 있을 것이다.The effects of the present invention are not limited to the above effects, and other effects not explicitly shown above will be easily understood by those of ordinary skill in the art to which the present invention pertains through the configuration and operation of the present invention below.
도 1은 본 발명에 따라 무인 비행체에서 태양광 모듈의 결함을 검출하는 전체적인 동작 모습을 도시한다.
도 2는 본 발명의 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템의 일실시예를 도시한다.
도 3은 본 발명의 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템의 다른 일실시예를 도시한다.
도 4는 본 발명의 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 방법의 일실시예를 도시한다.1 shows the overall operation of detecting a defect of a solar module in an unmanned aerial vehicle according to the present invention.
Figure 2 shows an embodiment of the deep learning-based defect detection system through the solar module unit data learning of the thermal image of the present invention.
Figure 3 shows another embodiment of the deep learning-based defect detection system through the solar module unit data learning of the thermal image of the present invention.
Figure 4 shows an embodiment of the deep learning-based defect detection method through the solar module unit data learning of the thermal image of the present invention.
이하 본 발명의 바람직한 실시예에 따른 전체적인 구성 및 작용에 대해 설명하기로 한다. 이러한 실시예는 예시적인 것으로서 본 발명의 구성 및 작용을 제한하지는 아니하고, 실시예에서 명시적으로 나타내지 아니한 다른 구성 및 작용도 이하 본 발명의 실시예를 통하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 쉽게 이해할 수 있는 경우는 본 발명의 기술적 사상으로 볼 수 있을 것이다.Hereinafter, the overall configuration and operation according to a preferred embodiment of the present invention will be described. These embodiments are illustrative and do not limit the configuration and operation of the present invention, and other configurations and operations that are not explicitly shown in the embodiments are provided below through the embodiments of the present invention. A case that can be easily understood by the possessor may be regarded as the technical idea of the present invention.
머신러닝 알고리즘의 한 종류인 딥러닝(Deep Learning)은 인공 신경망에 기반한 알고리즘으로서 오브젝트 디텍션(Object Detection)에 활용되어 높은 성능 결과를 보여 주고 있지만, 여전히 신경망 학습에 소요되는 시간이 과도하게 소요될 뿐만 아니라 신경망 학습 이후 이를 실시간 오브젝트 디텍션에 적용하는 경우에도 저속의 시간 성능을 보여주고 있다.Deep Learning, a type of machine learning algorithm, is an artificial neural network-based algorithm that is used for object detection and shows high performance results, but it still takes too much time for neural network training and After learning the neural network, it shows low-speed temporal performance even when it is applied to real-time object detection.
본 발명은 태양광 발전소의 태양광 모듈의 결함을 검출하기 위하여 딥러닝 모델을 적용하여 태양광 발전소의 열화상 이미지로부터 태양광(PV: Photovoltaic) 모듈 단위로 머신러닝을 적용하여 신경망 학습에 소요되는 시간을 단축하고 실시간으로 태양광 모듈을 고속 감지하며 실시간으로 태양광 모듈의 결함과 결함의 종류를 고속 검출할 수 있도록 한다.The present invention applies a deep learning model to detect a defect in a photovoltaic module of a photovoltaic power plant and applies machine learning in units of photovoltaic (PV) modules from a thermal image of a photovoltaic power plant to learn the neural network. It saves time, detects photovoltaic modules at high speed in real time, and enables high-speed detection of defects and types of defects in photovoltaic modules in real time.
도 1은 본 발명에 따라 무인 비행체에서 태양광 모듈의 결함을 검출하는 전체적인 동작 모습을 도시한다.1 shows the overall operation of detecting a defect of a solar module in an unmanned aerial vehicle according to the present invention.
도 1을 참조하면, 무인 비행체인 드론(10)은 태양광 발전소 상공을 비행하면서 촬영하여 열화상 이미지를 출력하게 되는데, 상기 태양광 발전소가 대규모인 경우에는 상기 태양광 발전소 전체를 촬영하게 되면 상기 열화상 이미지가 수백 ~ 수천장이 출력되므로 이로부터 태양광 모듈의 결함을 실시간으로 고속 검출하기 위하여 고속의 시간 성능을 갖는 딥러닝 모델이 요구되고 있다.Referring to FIG. 1 , an unmanned
또한 본 발명은 무인 비행체인 드론(10)에서 열화상 이미지를 서버로 전송하지 않고도 드론(10) 자체적으로 딥러닝 기반으로 태양광 모듈의 결함을 실시간으로 고속 검출할 수 있도록 하기 위하여 요구되는 컴퓨팅 자원을 저감할 수 있도록 하고 있다.In addition, the present invention provides a computing resource required to enable the
일반적으로 태양광 발전소에는 복수의 태양광 모듈(20)을 직렬 또는 병렬로 연결하여 태양광 어레이(30)를 구축하고 있는데, 중대형 규모의 태양광 발전소가 점점 더 증가함에 따라 태양광 모듈(20)의 결함을 실시간으로 검출하는데 어려움을 겪게 된다.In general, a plurality of
본 발명에서는 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 먼저 검출하고, 그 이후에 또다시 검출된 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하게 되며, 그 이후에 또다시 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하게 되므로, 머신러닝의 컴퓨팅 자원의 소모를 저감할 수 있게 된다.In the present invention, a photovoltaic module is first detected from the thermal image to be distinguished from the background based on deep learning, and thereafter, a defect is detected to be distinguished from a photovoltaic module that normally operates based on deep learning among the detected photovoltaic modules again. The generated photovoltaic module is detected, and after that, the type of defect is classified based on deep learning among the photovoltaic modules in which the defect is generated, so that it is possible to reduce the consumption of computing resources of machine learning.
즉 딥러닝 모델의 학습 데이터를 태양광 모듈 단위로 분할하고, 주석(annotation) 가공을 하게 되면 정보 추출 측면에서 시간과 인력 비용을 저감할 수 있게 된다.That is, if the learning data of the deep learning model is divided into solar module units and annotation processing is performed, time and manpower costs can be reduced in terms of information extraction.
한편, 태양광 모듈의 결함으로는 PID(Potential Induced Degradation) 불량, 셀(cell) 불량, 바이패스 다이오드(bypass diode) 불량 등이 있는데, PID 불량은 태양광 모듈의 출력이 시간이 지남에 따라 낮아지는 현상으로서 태양광 셀과 프레임 간에 누설전류의 발생으로 인한 분극화가 태양광 셀의 전류 발생을 방해하는 것이고, 셀 불량은 온도 또는 열충격 등으로 발생할 수 있으며, 바이패스 다이오드 불량은 항복전압 이상의 서지전압과 열 배출 미비로 인하여 바이패스 다이오드가 파괴되는 경우이고 바이패스 다이오드가 파괴되면 음영 등에 의하여 각각의 태양광 셀에 따라 출력 전류의 부정합을 야기하여 에너지 손실에 이르게 된다.On the other hand, defects in the solar module include PID (Potential Induced Degradation) failure, cell failure, and bypass diode failure. As a loss phenomenon, polarization due to leakage current between the photovoltaic cell and the frame prevents the photovoltaic cell from generating current, and cell failure may occur due to temperature or thermal shock, and bypass diode failure is a surge voltage higher than the breakdown voltage. In the case where the bypass diode is destroyed due to insufficient heat dissipation, when the bypass diode is destroyed, the output current is mismatched according to each photovoltaic cell due to shading or the like, leading to energy loss.
도 2는 본 발명의 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템의 일실시예를 도시한다.Figure 2 shows an embodiment of the deep learning-based defect detection system through the solar module unit data learning of the thermal image of the present invention.
도 2를 참조하면, 무인 비행체인 드론(100)이 통신망을 통하여 서버부(200)와 연결되어 있으며, 상기 무인 비행체인 드론(100)은 열화상 촬영부(110), 저장부(120), 태양광 모듈 검출부(130), 결함 검출부(140), 딥러닝 모델(150), 결함 위치 추출부(160), 결함 전송부(170)을 포함하고 있다.Referring to FIG. 2 , an unmanned
상기 열화상 촬영부(110)는 태양광 발전소를 촬영하여 열화상 이미지를 출력하고, 상기 저장부(120)는 상기 열화상 촬영부(110)에 의해서 출력되는 열화상 이미지를 저장하며, 상기 태양광 모듈 검출부(130)는 상기 저장부(120)에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하게 된다.The
상기 결함 검출부(140)는 상기 태양광 모듈 검출부(130)에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하고, 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하게 된다.The
상기 결함 검출부(140)에서 구분하는 결함의 종류에는 PID 불량, 셀 불량, 바이패스 다이오드 불량 등이 포함될 수 있다.The types of defects classified by the
상기 딥러닝 모델(150)은 태양광 모듈 단위 데이터를 기반으로 학습한 모델로서, 학습 데이터인 열화상 이미지를 태양광 모듈 단위로 분할하고 주석(annotation) 가공을 하여 정보 추출 측면에서 시간과 인력 비용을 저감할 수 있도록 하고 있다.The
상기 결함 위치 추출부(160)는 상기 결함 검출부(140)에 의해서 검출된 결함이 발생된 태양광 모듈의 위치를 추출하고, 상기 결함 전송부(170)는 상기 결함이 발생된 태양광 모듈의 위치와 그 결함의 종류를 통신망을 통하여 서버부(200)로 전송할 수 있으며, 상기 통신망은 무선 통신망인 것이 바람직하다.The defect
도 3은 본 발명의 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템의 다른 일실시예를 도시한다.Figure 3 shows another embodiment of the deep learning-based defect detection system through the solar module unit data learning of the thermal image of the present invention.
도 3을 참조하면, 무인 비행체인 드론(100)이 통신망을 통하여 서버부(200)와 연결되어 있으며, 상기 무인 비행체인 드론(100)은 열화상 촬영부(110), 저장부(120), 전송부(180)을 포함하고 있고, 상기 서버부(200)는 수신부(220), 태양광 모듈 검출부(230), 결함 검출부(240), 딥러닝 모델(250), 결함 위치 추출부(260)를 포함하고 있다.Referring to FIG. 3 , an unmanned
상기 열화상 촬영부(110)는 태양광 발전소를 촬영하여 열화상 이미지를 출력하고, 상기 저장부(120)는 상기 열화상 촬영부(110)에 의해서 출력되는 열화상 이미지를 저장하며, 상기 전송부(180)는 상기 저장부(120)에 저장된 열화상 이미지를 통신망을 통하여 서버부(200)로 전송한다.The
상기 수신부(220)는 통신망을 통하여 상기 전송부(180)로부터 열화상 이미지를 수신받고, 상기 태양광 모듈 검출부(230)는 상기 저장부(220)에 의하여 수신받은 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하게 된다.The
상기 결함 검출부(240)는 상기 태양광 모듈 검출부(230)에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하고, 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하게 된다.The
상기 결함 검출부(240)에서 구분하는 결함의 종류에는 PID 불량, 셀 불량, 바이패스 다이오드 불량 등이 포함될 수 있다.The types of defects classified by the
상기 딥러닝 모델(150)은 태양광 모듈 단위 데이터를 기반으로 학습한 모델로서, 학습 데이터인 열화상 이미지를 태양광 모듈 단위로 분할하고 주석(annotation) 가공을 하여 정보 추출 측면에서 시간과 인력 비용을 저감할 수 있도록 하고 있다.The
상기 결함 위치 추출부(260)는 상기 결함 검출부(240)에 의해서 검출된 결함이 발생된 태양광 모듈의 위치를 추출하게 된다.The defect
도 4는 본 발명의 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 방법의 일실시예를 도시한다.Figure 4 shows an embodiment of the deep learning-based defect detection method through the solar module unit data learning of the thermal image of the present invention.
도 4를 참조하면, 무인 비행체인 드론(100)은 열화상 촬영부에 의하여 태양광 발전소를 촬영하여 열화상 이미지를 출력하는 단계(S100)를 수행하고, 상기 출력되는 열화상 이미지를 저장부에 저장하는 단계(S200)를 수행하며, 상기 저장부에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 단계(S300)를 수행한다.Referring to FIG. 4 , the
상기 태양광 모듈을 검출하는 단계(S300)는 무인 비행체인 드론(100)에서 수행되거나 또는 상기 저장부에 저장된 열화상 이미지가 서버부(200)로 전송된 후 서버부(200)에서 수행될 수도 있다.The step of detecting the solar module (S300) may be performed in the
이 후에는, 상기 검출되는 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 단계(S400)가 수행되고, 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 단계(S500)가 수행된다.After that, a step (S400) of detecting a defective solar module to be distinguished from a normally operating solar module based on deep learning among the detected solar modules is performed (S400), and the defective solar module Among them, a step (S500) of classifying the types of defects based on deep learning is performed.
상기 태양광 모듈을 검출하는 단계(S400)와 결함의 종류를 구분하는 단계(S500)도 무인 비행체인 드론(100)에서 수행되거나 또는 상기 저장부에 저장된 열화상 이미지가 서버부(200)로 전송된 후 서버부(200)에서 수행될 수도 있다.The step of detecting the solar module (S400) and the step of classifying the type of defect (S500) are also performed in the
이와 같은 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 방법은 저장매체에 저장된 컴퓨터프로그램에 의하여 실행될 수도 있다.The deep learning-based defect detection method through solar module unit data learning of the thermal image may be executed by a computer program stored in a storage medium.
10, 100: 무인 비행체 또는 드론
20: 태양광 모듈
21, 22, 23; 결함이 발생된 태양광 모듈
30: 태양광 어레이
110: 열화상 촬영부
120: 저장부
130, 230: 태양광 모듈 검출부
140, 240: 결함 검출부
150, 250: 딥러닝 모델
160, 260: 결함 위치 추출부
170: 결함 전송부
180: 전송부
200: 서버
220: 수신부10, 100: Unmanned aerial vehicle or drone
20: solar module
21, 22, 23; Faulty solar module
30: solar array
110: thermal imaging unit
120: storage
130, 230: solar module detection unit
140, 240: defect detection unit
150, 250: deep learning model
160, 260: defect location extraction unit
170: defect transmission unit
180: transmission unit
200: server
220: receiver
Claims (8)
태양광 발전소를 촬영하여 열화상 이미지를 출력하는 열화상 촬영부;
상기 열화상 촬영부에 의해서 출력되는 열화상 이미지를 저장하는 저장부;
상기 저장부에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 태양광 모듈 검출부;
상기 태양광 모듈 검출부에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 결함 검출부;
상기 결함 검출부는 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 것을 특징으로 하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템.
In the deep learning-based defect detection system through solar module unit data learning of thermal image,
a thermal imaging unit for photographing a solar power plant and outputting a thermal image;
a storage unit for storing the thermal image outputted by the thermal imaging unit;
a solar module detector for detecting a solar module to be distinguished from a background based on deep learning from the thermal image stored in the storage;
a defect detection unit for detecting a defective solar module to be distinguished from a solar module operating normally based on deep learning among the solar modules detected by the solar module detection unit;
The defect detection unit Deep learning-based defect detection system through solar module unit data learning of the thermal image, characterized in that for classifying the type of defect based on deep learning among the photovoltaic modules in which the defect is generated.
상기 결함 검출부에 의해서 검출된 결함이 발생된 태양광 모듈의 위치를 추출하는 결함 위치 추출부를 더 포함하는 것을 특징으로 하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템.
The method of claim 1,
Deep learning-based defect detection system through photovoltaic module unit data learning of a thermal image, characterized in that it further comprises a defect location extraction unit for extracting the location of the photovoltaic module in which the defect detected by the defect detecting unit occurs.
상기 결함 검출부에서 구분하는 결함의 종류에는 PID 불량, 셀 불량, 바이패스 다이오드 불량이 포함되는 것을 특징으로 하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템.
3. The method of claim 2,
A deep learning-based defect detection system through solar module unit data learning of a thermal image, characterized in that the types of defects classified by the defect detection unit include PID defects, cell defects, and bypass diode defects.
태양광 발전소를 촬영하여 열화상 이미지를 출력하는 열화상 촬영부;
상기 열화상 촬영부에 의해서 출력되는 열화상 이미지를 저장하는 저장부;
상기 저장부에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 태양광 모듈 검출부;
상기 태양광 모듈 검출부에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 결함 검출부;
상기 결함 검출부는 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 것을 특징으로 하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 무인 비행체.
In the deep learning-based defect detection unmanned aerial vehicle through solar module unit data learning of thermal image,
a thermal imaging unit for photographing a solar power plant and outputting a thermal image;
a storage unit for storing the thermal image outputted by the thermal imaging unit;
a solar module detector for detecting a solar module to be distinguished from a background based on deep learning from the thermal image stored in the storage;
a defect detection unit for detecting a defective solar module to be distinguished from a solar module operating normally based on deep learning among the solar modules detected by the solar module detection unit;
The defect detection unit is a deep learning-based defect detection unmanned aerial vehicle through solar module unit data learning of a thermal image, characterized in that it classifies the type of defect based on deep learning among the photovoltaic modules in which the defect has occurred.
상기 결함 검출부에 의해서 검출된 결함이 발생된 태양광 모듈의 위치를 추출하는 결함 위치 추출부를 더 포함하는 것을 특징으로 하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 무인 비행체.
5. The method of claim 4,
Deep learning-based defect detection unmanned aerial vehicle through solar module unit data learning of thermal image, characterized in that it further comprises a defect location extraction unit for extracting the location of the solar module in which the defect detected by the defect detection unit occurs.
통신망을 통하여 열화상 이미지를 전송 받는 수신부;
상기 수신부에 의해서 전송 받은 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 태양광 모듈 검출부;
상기 태양광 모듈 검출부에 의해서 검출되는 상기 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 결함 검출부;
상기 결함 검출부는 상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 것을 특징으로 하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템.
In the deep learning-based defect detection system through solar module unit data learning of thermal image,
a receiver for receiving a thermal image through a communication network;
a solar module detector for detecting a solar module to be distinguished from a background based on deep learning from the thermal image received by the receiver;
a defect detection unit for detecting a defective solar module to be distinguished from a solar module operating normally based on deep learning among the solar modules detected by the solar module detection unit;
The defect detection unit Deep learning-based defect detection system through solar module unit data learning of the thermal image, characterized in that for classifying the type of defect based on deep learning among the photovoltaic modules in which the defect is generated.
열화상 촬영부에 의하여 태양광 발전소를 촬영하여 열화상 이미지를 출력하는 단계;
상기 출력되는 열화상 이미지를 저장부에 저장하는 단계;
상기 저장부에 저장된 열화상 이미지로부터 딥러닝 기반으로 배경과 구분되도록 태양광 모듈을 검출하는 단계;
상기 검출되는 태양광 모듈 중에서 딥러닝 기반으로 정상적으로 작동하는 태양광 모듈과 구분되도록 결함이 발생된 태양광 모듈을 검출하는 단계;
상기 결함이 발생된 태양광 모듈 중에서 딥러닝 기반으로 결함의 종류를 구분하는 단계를 포함하는 것을 특징으로 하는 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 방법.
In the deep learning-based defect detection method through solar module unit data learning of thermal image,
outputting a thermal image by photographing a solar power plant by a thermal imaging unit;
storing the output thermal image in a storage unit;
detecting a solar module to be distinguished from a background based on deep learning from the thermal image stored in the storage unit;
detecting a defective solar module to be distinguished from a solar module operating normally based on deep learning among the detected solar modules;
Deep learning-based defect detection method through photovoltaic module unit data learning of thermal image, characterized in that it comprises the step of classifying the type of defect based on deep learning among the photovoltaic modules in which the defect has occurred.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200139193A KR20220055082A (en) | 2020-10-26 | 2020-10-26 | System and method for defect detection based on deep learning through machine-learning of solar module data of thermal image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200139193A KR20220055082A (en) | 2020-10-26 | 2020-10-26 | System and method for defect detection based on deep learning through machine-learning of solar module data of thermal image |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220055082A true KR20220055082A (en) | 2022-05-03 |
Family
ID=81591273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200139193A KR20220055082A (en) | 2020-10-26 | 2020-10-26 | System and method for defect detection based on deep learning through machine-learning of solar module data of thermal image |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220055082A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114793086A (en) * | 2022-06-21 | 2022-07-26 | 江苏中清光伏科技有限公司 | Double-sided double-glass photovoltaic panel adjusting bracket and adjusting method |
| KR102525249B1 (en) * | 2023-01-06 | 2023-04-25 | (주)스카이런 | Method, device and system for monitoring and analyzing anomalies in photovoltaic power plants through artificial intelligence-based image processing |
| KR102646725B1 (en) * | 2023-03-21 | 2024-03-12 | 한국광기술원 | Edge Device that Includes Solar Panel Generation Prediction and Fault Diagnosis and Solar Power System Including the Same |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180082166A (en) | 2017-01-10 | 2018-07-18 | 한화에어로스페이스 주식회사 | The Apparatus For Detecting Solar Panel |
| KR20180082169A (en) | 2017-01-10 | 2018-07-18 | 한화에어로스페이스 주식회사 | The Apparatus For Inspecting Faulty Panel |
| KR20200048615A (en) | 2018-10-30 | 2020-05-08 | (주)메타파스 | Realtime inspecting drone for solar photovoltaic power station basen on machine learning |
-
2020
- 2020-10-26 KR KR1020200139193A patent/KR20220055082A/en not_active Application Discontinuation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180082166A (en) | 2017-01-10 | 2018-07-18 | 한화에어로스페이스 주식회사 | The Apparatus For Detecting Solar Panel |
| KR20180082169A (en) | 2017-01-10 | 2018-07-18 | 한화에어로스페이스 주식회사 | The Apparatus For Inspecting Faulty Panel |
| KR20200048615A (en) | 2018-10-30 | 2020-05-08 | (주)메타파스 | Realtime inspecting drone for solar photovoltaic power station basen on machine learning |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114793086A (en) * | 2022-06-21 | 2022-07-26 | 江苏中清光伏科技有限公司 | Double-sided double-glass photovoltaic panel adjusting bracket and adjusting method |
| KR102525249B1 (en) * | 2023-01-06 | 2023-04-25 | (주)스카이런 | Method, device and system for monitoring and analyzing anomalies in photovoltaic power plants through artificial intelligence-based image processing |
| KR102646725B1 (en) * | 2023-03-21 | 2024-03-12 | 한국광기술원 | Edge Device that Includes Solar Panel Generation Prediction and Fault Diagnosis and Solar Power System Including the Same |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20220055082A (en) | System and method for defect detection based on deep learning through machine-learning of solar module data of thermal image | |
| Aghaei et al. | Innovative automated control system for PV fields inspection and remote control | |
| CN108416294B (en) | Fan blade fault intelligent identification method based on deep learning | |
| CN110084165B (en) | Intelligent identification and early warning method for abnormal events in open scene of power field based on edge calculation | |
| CN109187558A (en) | A kind of photovoltaic plant automatic tour inspection system based on unmanned plane | |
| KR102133224B1 (en) | An automatic diagnosis system of solar array that is using a CAD design drawing that overlapped pictures taken by a thermal imaging camera of a drone | |
| CN114898232B (en) | Photovoltaic power station unmanned aerial vehicle inspection method and system based on photovoltaic group string data analysis | |
| CN105263000A (en) | Large-scale photovoltaic power station inspection device based on double cameras carried on unmanned aerial vehicle | |
| CN109743019B (en) | System and method for hot spot temperature prediction and hot spot positioning based on meteorological factors | |
| de Oliveira et al. | Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography | |
| CN113283344A (en) | Mining conveying belt deviation detection method based on semantic segmentation network | |
| CN113311861B (en) | Automatic detection method and system for hidden crack characteristics of photovoltaic module | |
| Kuo et al. | Automatic detection, classification and localization of defects in large photovoltaic plants using unmanned aerial vehicles (UAV) based infrared (IR) and RGB imaging | |
| CN113485432A (en) | Photovoltaic power station electroluminescence intelligent diagnosis system and method based on unmanned aerial vehicle | |
| CN113723184A (en) | Scene recognition system, method and device based on intelligent gateway and intelligent gateway | |
| CN108418550A (en) | The defects detection and localization method of cluster solar panels | |
| CN116660317B (en) | Hot spot detection method, system, processor and storage medium of photovoltaic array | |
| CN116385465A (en) | Image segmentation model construction and image segmentation method, system, equipment and medium | |
| Sha et al. | Design of patrol monitoring and control system for hot spot of solar photovoltaic module | |
| CN113284103B (en) | Substation equipment defect online detection method based on space transformation fast R-CNN model | |
| JP2020028179A (en) | Abnormality monitoring system, abnormality monitoring device, and program | |
| CN115457313A (en) | Method and system for analyzing photovoltaic equipment fault based on thermal infrared image | |
| CN115690505A (en) | Photovoltaic module fault detection method and device, computer equipment and storage medium | |
| CN115147384A (en) | Photovoltaic module hot spot joint detection system and method based on visible light and thermal infrared | |
| CN114445782A (en) | Power transmission line image acquisition system based on edge AI and Beidou short messages |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |